![841efa1b2e817233e245abdccfe99687.png](https://img-blog.csdnimg.cn/img_convert/841efa1b2e817233e245abdccfe99687.png)
这个笔记总结了非线性模型的极大似然估计量和渐进性质,并推导了用于求解模型的Gauss—Newton迭代法。此外,针对每个内容,我还给出了相应的R
软件求解算法,并做了相应的模拟。
1 非线性模型
线性模型建立在自变量和响应变量之间呈线性关系的基础上,但实际数据并不总是如此。当我们没有额外信息认为两者之间的关系为线性时,非线性模型便成了一种选择。
考虑非线性模型
其中
2 模型的极大似然估计
如果我们假设模型的随机误差项是独立同分于均值为0方差为常数
首先,根据模型和假设得到似然函数
对上式取对数,得到对数似然函数
将对数似然方程对
上式利用了矩阵微分中的结论
其中
由于
这时我们记
“ 这里可以看出极大似然估计量和最小二乘估计量的形式是一致的。 之所以使用似然法,是因为在线性模型、广义线性模型中似然法更普适。
3 迭代求解算法
在非线性回归模型中,求解最小二乘估计量(极大似然估计量)的一个广泛应用的方法是将期望函数线性化,然后利用Gauss—Newton迭代法进行求解。
考虑非线性模型,将其在 点处进行Taylor展开
令
那么
因为
作为未知参数
当这种修正直到收敛(前后两个估计的改变量非常小)时,即
迭代结束,其中
4 估计量的渐近正态性
根据前面分析可知
其中
和
进一步,上式求出了得分函数
这是一个
所以
上式得到的协方差矩阵称之为Fisher信息矩阵,记做
重新考察
如果
且
5 模拟和实例
根据前面的分析可以自己用R
编写非线性模型求解函数,以及显著性检验的函数。
“ 迭代算法毕竟是局部最优,模拟的初始值最好取在真实值附近。 如果是实际问题,可以根据经验、利用OLS估计等最为初始值。
5.1 Logistic模型
考虑Logistic增长模型
在本例中取
![97ed5edb01f641ebf4fac716901b9b39.png](https://img-blog.csdnimg.cn/img_convert/97ed5edb01f641ebf4fac716901b9b39.png)
可见算法的效果还是不错的。
5.2 Gompertz模型
考虑Gompertz模型
在本例中取
![19d02f175907362095360ed5174bacd1.png](https://img-blog.csdnimg.cn/img_convert/19d02f175907362095360ed5174bacd1.png)
可见算法的效果还是不错的。
5.3 Weibull模型
考虑Weibull模型
在本例中取
![b83848ab4978da0df7b3383884b001ad.png](https://img-blog.csdnimg.cn/img_convert/b83848ab4978da0df7b3383884b001ad.png)
可见算法的效果还是不错的。
5.4 Michaelis-Menten模型
考虑Michaelis-Menten模型
对puromycin数据
y | x1 | x2 |
---|---|---|
0.02 | 47 | 76 |
0.06 | 97 | 107 |
0.11 | 123 | 139 |
0.22 | 152 | 159 |
0.56 | 191 | 201 |
1.10 | 200 | 207 |
考虑上述Michaelis-Menten模型,使用Gauss—Newton迭代法给定初始迭代值
利用得到的参数估计计算拟合值,画出图像如下所示
![ec731363ac098661ba6793a143c72c89.png](https://img-blog.csdnimg.cn/img_convert/ec731363ac098661ba6793a143c72c89.png)
图中圆点表示真实数据,虚线是得到的Michaelis-Menten模型估计方程。从图中看出,拟合的效果还是不错的。
5.5 渐近正态性验证
考虑5.1中的Logistic模型,在本次试验中分别取观测数目为50,500,1000和5000来进行模拟,每次模拟都做500次,然后画出每次参数估计中
![ee3e8c160f1f52f073a6b27eb97111bf.png](https://img-blog.csdnimg.cn/img_convert/ee3e8c160f1f52f073a6b27eb97111bf.png)
如果你喜欢我的文章,可以关注我的WX公众号“小Q统计”——专注分享统计学领域的知识和经验。